本發(fā)明屬于腦電信號處理技術(shù)領(lǐng)域，具體涉及一種基于多元經(jīng)驗?zāi)B(tài)分解和獨立向量分析，從少數(shù)通道腦電信號中自動識別肌電偽跡并消除的新方法，主要應(yīng)用于人腦相關(guān)疾病和人腦功能的研究。

背景技術(shù)：

腦電圖作為一種記錄腦神經(jīng)細胞的電生理活動的設(shè)備，由于腦電信號具有高時域分辨率、便攜和無創(chuàng)性等特點，已被廣泛應(yīng)用于臨床疾病診斷、大腦特診和睡眠模式等方面的研究。然而腦電信號作為微弱的電生理信號，經(jīng)常受到如心電、眼電和肌電等多種偽跡的干擾，影響后續(xù)對腦電分析的準確性。另外，由于肌電信號具有幅值大、頻域分布廣和復(fù)雜的地域分布等特點，導(dǎo)致肌電偽跡是眾多干擾源中最難消除的干擾偽跡。

在過去數(shù)十年中，研究人員已經(jīng)提出多種方法用于去除腦電信號中的肌電偽跡。最早臨床人員普遍采用低通濾波器來去除肌電干擾。然而，若肌電干擾與感興趣的腦電信號的頻譜重疊，頻率濾波器不僅會抑制肌電干擾，而且可能會濾掉有價值的腦電信號。

后來，盲源分離算法獨立成分分析(ICA)被用于從多通道腦電信號中去除偽跡干擾。獨立成分分析利用高階統(tǒng)計量將腦電信號分解成相互統(tǒng)計獨立的分量。通過人為觀察判定哪些獨立分量中包含肌電，置零含有肌電的分量后，通過獨立成分分析逆變換得到干凈的腦電信號。實驗證明獨立成分分析在去除眼電和心電偽跡具有良好的表現(xiàn)，然而去除肌電偽跡的表現(xiàn)并不是很理想。因為通過獨立成分分析得到的大部分獨立分量中往往既包含腦電也包含肌電。

為此，一些學(xué)者提出用盲源分離算法典型相關(guān)分析(CCA)來解決腦電中肌電偽跡的消除問題。由于肌電偽跡的特性與白噪聲相類似，因此肌電偽跡相比腦電信號具有較低的自相關(guān)性。典型相關(guān)分析利用二階統(tǒng)計量將腦電信號分解成一些互不相關(guān)而自相關(guān)性最大的典型變量。求取這些典型變量的自相關(guān)系數(shù)，若低于設(shè)定閾值，則該典型變量被判定是肌電變量，置零這些典型變量后，通過典型相關(guān)分析逆變換得到干凈的腦電信號。典型相關(guān)分析能把肌電偽跡集中于少數(shù)典型變量中，通過設(shè)置自相關(guān)系數(shù)閾值，可以實現(xiàn)去除肌電干擾的目的。實驗證明典型相關(guān)分析比獨立成分分析具有更好的去肌電偽跡效果。然而，獨立成分分析和典型相關(guān)分析均要求記錄腦電的電極數(shù)量多于潛在信號源的數(shù)量。在這種限制條件下，獨立成分分析和典型相關(guān)分析不能被直接應(yīng)用于單通道腦電信號中，且在通道數(shù)較少和肌電干擾非常嚴重的情況下，無法準確地恢復(fù)腦電信號和去除肌電偽跡。

為此，研究人員提出兩步式處理方式用于解決單通道的肌電去噪問題。首先利用總體平均經(jīng)驗?zāi)B(tài)分解或者小波變換將單通道信號分解為多維信號，然而利用獨立成分分析或者典型相關(guān)分析對該多維信號進行處理。由此而被提出的方法包括EEMD-CCA、EEMD-ICA、Wavelet-ICA和Wavelet-CCA。然而這些單通道的處理方法忽略了通道之間的關(guān)聯(lián)性信息，只考慮了單個通道內(nèi)的信息，從而導(dǎo)致了無法完全去除肌電偽跡。

技術(shù)實現(xiàn)要素：

本發(fā)明為了克服現(xiàn)有技術(shù)的不足之處，提出了一種少數(shù)通道的腦電信號中肌電偽跡的消除方法，以期能完全去除肌電偽跡對腦電信號的影響，從而提高腦電信號分析的準確性。

本發(fā)明為解決技術(shù)問題，采用如下技術(shù)方案：

本發(fā)明一種少數(shù)通道的腦電信號中肌電偽跡的消除方法的特點是按如下步驟進行：

步驟一：由腦電測量設(shè)備采集并記錄t時刻N通道的腦電信號，記為：X(t)＝[x₁(t),x₂(t),…,x_n(t),…x_N(t)]^T，x_n(t)為t時刻第n通道的腦電信號，T為矩陣的轉(zhuǎn)置；1≤n≤N，N≥3；

添加m個通道的高斯白噪聲后構(gòu)成N+m通道的輸入信號，記為：w_m(t)為t時刻的第m個通道的高斯白噪聲；1≤m＜N；

步驟二：應(yīng)用多元經(jīng)驗?zāi)B(tài)分解法將所述N+m通道的輸入信號分解為(N+m)P個本征模態(tài)分量，其中，N通道的腦電信號通道X(t)中的第n通道的腦電信號x_n(t)所對應(yīng)的P個本征模態(tài)分量記為：I_n(t)＝[i_1(n)(t),i_2(n)(t),…,i_p(n)(t),…,i_P(n)(t)]^T；i_p(n)(t)為t時刻第n通道的腦電信號x_n(t)所對應(yīng)的第p個本征模態(tài)分量；1≤p≤P；

只提取腦電信號對應(yīng)的本征模態(tài)分量，從而獲得t時刻N通道的腦電信號X(t)的本征模態(tài)分量矩陣，記為：I(t)＝[I₁(t)；I₂(t)；…I_n(t)；…；I_N(t)]；

步驟三：用獨立變量分析法對所述本征模態(tài)分量矩陣I(t)進行盲源信號的分離，得到混合矩陣A、逆混合矩陣W和源信號矩陣Y(t)＝[y₁(t),y₂(t),…y_b(t),…,y_NP(t)]^T；y_b(t)表示第b個源信號，并有：I(t)＝AY(t)或Y(t)＝WI(t)；1≤b≤NP；

步驟四：求取所述源信號矩陣Y(t)中的第b個源信號y_b(t)的自相關(guān)系數(shù)值r_b，當所述自相關(guān)系數(shù)r_b低于所設(shè)定的閾值e時，則所述第b個源信號y_b(t)為含有肌電偽跡的源信號；將被判定為肌電偽跡的源信號均置為零，從而得到不含有肌電偽跡的源信號矩陣e∈(0,1)；

步驟五：利用式(1)得到不含有肌電偽跡的本征模態(tài)分量矩陣

步驟六：將所述不含有肌電偽跡的本征模態(tài)分量矩陣中按照行的順序，依次取出P個本征模態(tài)分量為一個矩陣，其中，第n通道的腦電信號x_n(t)所對應(yīng)的P個不含有肌電偽跡的本征模態(tài)分量第記為表示第n通道的腦電信號x_n(t)的去除肌電偽跡后的第p個本征模態(tài)分量，從而得到去除肌電偽跡后的N通道的本征模態(tài)分量矩陣，記為

步驟七：利用式(2)得到去除肌電偽跡后的第n通道的干凈腦電信號從而獲得去除肌電偽跡后的N通道的腦電信號

本發(fā)明不僅能去除肌電對腦電的影響，同時能減少腦電信息在處理過程中的丟失，與已有技術(shù)相比，本發(fā)明的有益效果具體體現(xiàn)在：

1、本發(fā)明利用少數(shù)通道的信號關(guān)聯(lián)性，結(jié)合多元經(jīng)驗?zāi)B(tài)分解和獨立變量分析兩種算法，不僅能到達到去除肌電偽跡的目的，同時保證腦電信號的波形和幅值在處理后盡可能被恢復(fù)。本發(fā)明適用于少數(shù)通道的便攜式腦電設(shè)備中，對腦電設(shè)備的微型化應(yīng)用具有重要意義。

2、本發(fā)明步驟二中使用多元經(jīng)驗?zāi)B(tài)分解對N通道腦電信號求解其本征模態(tài)分量。相對于傳統(tǒng)的總體平均經(jīng)驗?zāi)B(tài)分解，多元經(jīng)驗?zāi)B(tài)分解利用通道之間的相關(guān)信息，能夠?qū)⒍嗤ǖ滥X電信號中的對應(yīng)本征模態(tài)分量排成一行，并且能更加精確地估計本征模態(tài)分量。另外，現(xiàn)有技術(shù)中的總體平均經(jīng)驗?zāi)B(tài)分解法采用對信號直接添加白噪聲的做法，可能會導(dǎo)致一部分白噪聲混合在本征模態(tài)分量中，將這些本征模態(tài)分量進行處理，會影響到之后的信號分離，最終影響到去噪的性能。而本發(fā)明中所采用的多元經(jīng)驗?zāi)B(tài)分解采取添加兩通道的白噪聲信號，腦電記錄信號和白噪聲信號的本征模態(tài)分量相互獨立，即腦電記錄信號的本征模態(tài)分量的提取不受所添加的白噪聲影響，從而克服了現(xiàn)有技術(shù)中的缺點。

3、本發(fā)明步驟三中，將多個通道的腦電信號的本征模態(tài)分量同時進行盲源信號分離。這一做法能夠為接下來使用的獨立成分分析提供更多的源信號相關(guān)信息，促使腦電源和肌電源更為精確地分離到不同的獨立成分中去。

4、本發(fā)明步驟三中，使用獨立成分分析法進行盲源信號分離。相對于獨立成分分析和典型相關(guān)分析，獨立變量分析結(jié)合了上述兩種方法的優(yōu)點，同時采取二階統(tǒng)計量和高階統(tǒng)計量，能夠?qū)⒓‰娫春湍X電源分離開，更好地解決源信號分離的問題。

附圖說明

圖1為本發(fā)明方法的主流程圖；

圖2a為本發(fā)明3通道干凈腦電信號示意圖；

圖2b為本發(fā)明3通道的肌電干擾源示意圖；

圖2c為本發(fā)明被肌電偽跡干擾的3通道混合的腦電信號示意圖；

圖2d為本發(fā)明通過本發(fā)明方法得到前24個成分示意圖；

圖2e為本發(fā)明通過本發(fā)明方法得到后24個成分示意圖；

圖2f為本發(fā)明通過本發(fā)明方法得到的去除肌電偽跡后重建的腦電信號示意圖。

圖3a為本發(fā)明通過本發(fā)明方法處理模擬腦電信號的相對均方根的示意圖；

圖3b為本發(fā)明通過本發(fā)明方法處理模擬腦電信號的相關(guān)系數(shù)的示意圖；

圖4a為本發(fā)明21通道的真實癲癇腦電信號示意圖；

圖4b為本發(fā)明通過本發(fā)明方法處理真實癲癇腦電信號所得到重建腦電信號示意圖。

具體實施方式

下面分別通過模擬腦電信號與真實癲癇腦電信號為例，結(jié)合附圖來說明一種少數(shù)通道的腦電信號中肌電偽跡的消除方法具體的實施方式。

1.模擬腦電信號

在這一部分，將說明一個實例，如圖1所示，以此介紹本發(fā)明的具體實施方式，

步驟一：由腦電測量設(shè)備采集并記錄t時刻N通道的腦電信號，記為：X(t)＝[x₁(t),x₂(t),…,x_n(t),…x_N(t)]^T，x_n(t)為t時刻第n通道的腦電信號，T為矩陣的轉(zhuǎn)置；1≤n≤N，N≥3；

本實施例中，由腦電測量設(shè)備采集并記錄t時刻3通道的腦電信號，記為：X(t)＝[x₁(t),x₂(t),x₃(t)]^T。其中,X_EEG(t)(圖2a)和X_EMG(t)(圖2b)分別表示3通道的真實干凈腦電信號和肌電偽跡信號，X(t)＝X_EEG(t)+λX_EMG(t)(圖2c，由信噪比SNR＝1.5計算λ為41.6733)，其中X_EEG(t)＝[x_EEG1(t),x_EEG2(t),x_EEG3(t)]^T，X_EMG(t)＝[x_EMG1(t),x_EMG2(t),x_EMG3(t)]^T。

信噪比定義：SNR＝RMS(X_EEG)/RMS(λ·X_EMG)，其中RMS表示均方根，和

添加m個通道的高斯白噪聲后構(gòu)成N+m通道的輸入信號，記為：w_m(t)為t時刻的第m個通道的高斯白噪聲；1≤m＜N；

本實施例中，在X(t)內(nèi)添加2個通道的高斯白噪聲，即輸入信號采樣頻率為500Hz，共記錄了10秒信號，即每通道共有T＝5000個采樣點；

步驟二：應(yīng)用多元經(jīng)驗?zāi)B(tài)分解法將N+m通道的輸入信號分解為(N+m)P個本征模態(tài)分量，其中，N通道的腦電信號通道X(t)中的第n通道的腦電信號x_n(t)所對應(yīng)的P個本征模態(tài)分量記為：I_n(t)＝[i_1(n)(t),i_2(n)(t),…,i_p(n)(t),…,i_P(n)(t)]^T；i_p(n)(t)為t時刻第n通道的腦電信號x_n(t)所對應(yīng)的第p個本征模態(tài)分量；1≤p≤P；

只提取腦電信號對應(yīng)的本征模態(tài)分量，從而獲得t時刻N通道的腦電信號X(t)的本征模態(tài)分量矩陣，記為：I(t)＝[I₁(t)；I₂(t)；…I_n(t)；…；I_N(t)]；

本實施例中，將輸入信號分解為(3+2)×16＝80個本征模態(tài)分量，其中，3通道的腦電信號通道X(t)中的第n通道的腦電信號x_n(t)所對應(yīng)的16個本征模態(tài)分量記為I_n(t)＝[i_1(n)(t),i_2(n)(t),…,i_p(n)(t),…,i_16(n)(t)]^T；只提取腦電信號對應(yīng)的本征模態(tài)分量，從而獲得t時刻3通道的腦電信號X(t)的本征模態(tài)分量矩陣，記為：I(t)＝[I₁(t)；I₂(t)；I₃(t)]；

步驟三：用獨立變量分析法對本征模態(tài)分量矩陣I(t)進行盲源信號的分離，得到混合矩陣A、逆混合矩陣W和源信號矩陣Y(t)＝[y₁(t),y₂(t),…y_b(t),…,y_NP(t)]^T；y_b(t)表示第b個源信號，并有：I(t)＝AY(t)或Y(t)＝WI(t)；1≤b≤NP；本實施例中，得到源信號矩陣Y(t)＝[y₁(t),y₂(t),…y_b(t),…,y₄₈(t)]^T；1≤b≤48，其中源信號如圖2d和圖2e；

步驟四：求取源信號矩陣Y(t)中的第b個源信號y_b(t)的自相關(guān)系數(shù)值r_b，當自相關(guān)系數(shù)r_b低于所設(shè)定的閾值e＝0.95時，則第b個源信號y_b(t)為含有肌電偽跡的源信號；將被判定為肌電偽跡的源信號均置為零，從而得到不含有肌電偽跡的源信號矩陣

步驟五：利用式(1)得到不含有肌電偽跡的本征模態(tài)分量矩陣

步驟六：將不含有肌電偽跡的本征模態(tài)分量矩陣中按照行的順序，依次取出P個本征模態(tài)分量為一個矩陣，其中，第n通道的腦電信號x_n(t)所對應(yīng)的P個不含有肌電偽跡的本征模態(tài)分量第記為表示第n通道的腦電信號x_n(t)的去除肌電偽跡后的第p個本征模態(tài)分量，從而得到去除肌電偽跡后的N通道的本征模態(tài)分量矩陣，記為

本實施例中，依次取出16個本征模態(tài)分量為一個矩陣，其中，第n通道的腦電信號x_n(t)所對應(yīng)的16個不含有肌電偽跡的本征模態(tài)分量第記為從而得到去除肌電偽跡后的3通道的本征模態(tài)分量矩陣，記為

步驟七：利用式(2)得到去除肌電偽跡后的第n通道的干凈腦電信號從而獲得去除偽跡后的N通道的腦電信號

本實施例中，獲得3通道的腦電信號如圖2f所示；

將腦電信號與模擬的干凈真實腦電信號X_EEG(t)進行對比，從圖2a和圖2f中可以清晰地觀察到肌電偽跡大部分被消除，并且很好地保留了原干凈真實腦電信號的細節(jié)信息，說明了本發(fā)明對少數(shù)通道腦電信號中肌電偽跡消除的有效性。

為了評估本發(fā)明在不同信噪比下的去噪表現(xiàn)，選擇相對均方根誤差(RRMSE)和相關(guān)系數(shù)(CC)兩個性能指標作為評價指標。相對均方根誤差定義如下：

RRMSE值越小表明去噪效果越好。第二個性能指標是相關(guān)系數(shù)CC。此處使用相關(guān)系數(shù)作為性能指標，將去除偽跡后得到的信號與原始干凈腦電信號相比較，可直觀展示腦電信號去除偽跡前后的結(jié)構(gòu)相似度，相關(guān)系數(shù)的值越高說明數(shù)據(jù)恢復(fù)得越好。圖3a、圖3b展示了本發(fā)明方法在不同信噪比下的去除肌電偽跡和保留有用腦電信息的表現(xiàn)，從中均可以看出本發(fā)明方法在不同信噪比均能很好地去除肌電偽跡。由于電極在頭皮上安裝位置的相鄰性，各個通道采集的腦電信號往往包含一定數(shù)量的相同源，本發(fā)明所使用的多元經(jīng)驗?zāi)B(tài)分解法，利用了這些相同源的信息，有助于盲源分離算法更加準確地恢復(fù)腦電源。

2.實測腦電信號

接下來將一段真實癲癇腦電數(shù)據(jù)作為實驗對象，使用本發(fā)明算法進行去除偽跡處理，并評價本發(fā)明方法的表現(xiàn)。圖4a是21通道的真實癲癇發(fā)作腦電信號，該信號的采樣頻率是250Hz，共采得10s的數(shù)據(jù)，每通道共有2500個采樣點。從圖4a中可以看出該腦電信號被眼電和肌電兩種偽跡所污染。在Fp1和Fp2通道的2.5、3.5、6和7.5s附近可以清楚地觀測到眼電偽跡。同樣在F7、T3、T5、C3、T1通道的0s-3.9s處以及F8、T4、F4、C4、P4的5s-10s處可以發(fā)現(xiàn)肌電偽跡。癲癇發(fā)作可在通道T2、F8、T4、T6被觀察到，一部分發(fā)作區(qū)域被肌電偽跡嚴重干擾，這會影響到后續(xù)腦電信號的分析和對癲癇發(fā)作區(qū)域定位工作，因此消除肌電偽跡干擾是十分有必要的。

首先將上述腦電信號分為7組，其中每組包含地形圖位置相對接近的三個通道。按照實例一的步驟對上述7組數(shù)據(jù)分別進行處理，使用本發(fā)明方法得到的去除肌電偽跡后重建的腦電信號如圖4b。通過對比圖4a、圖4b，可以發(fā)現(xiàn)應(yīng)用本發(fā)明，肌電偽跡不僅被消除得非常干凈，腦電信號中的關(guān)鍵細節(jié)信息也被完整地保留了下來。例如，在通道F8、T4、T6中被肌電偽跡干擾的癲癇發(fā)作腦電部分，肌電偽跡已經(jīng)被完全消除了，而且其中的眼電偽跡無論是波形還是幅度都被完整的保存下來。

綜上，本發(fā)明作為一種解決少數(shù)通道情況下肌電偽跡消除難題的全新方法，無論是模擬實驗還是真實癲癇腦電信號，均證明了本方法去噪的良好效果。另外本發(fā)明采取自動監(jiān)測并消除肌電偽跡的策略，避免了人為干預(yù)造成的影響。本發(fā)明適用于少數(shù)通道的便攜式腦電設(shè)備，對腦電設(shè)備的微型化應(yīng)用具有重要意義。